Instructions to use ecloudtech/Erk-32B with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use ecloudtech/Erk-32B with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="ecloudtech/Erk-32B")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("ecloudtech/Erk-32B")
model = AutoModelForCausalLM.from_pretrained("ecloudtech/Erk-32B", device_map="auto")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use ecloudtech/Erk-32B with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "ecloudtech/Erk-32B"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "ecloudtech/Erk-32B",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/ecloudtech/Erk-32B

SGLang

How to use ecloudtech/Erk-32B with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "ecloudtech/Erk-32B" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "ecloudtech/Erk-32B",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "ecloudtech/Erk-32B" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "ecloudtech/Erk-32B",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use ecloudtech/Erk-32B with Docker Model Runner:
```
docker model run hf.co/ecloudtech/Erk-32B
```

Erk-32B / sonuclar /README.md

aigencydev

Erk-32B: model karti, olcum protokolu, betikler, sonuc vektorleri

9c90564 verified about 1 month ago

preview code

Raw History Blame Contribute Delete

2.06 kB

Sonuç dosyaları — soru bazlı tahmin vektörleri

Her dosya, ilgili ölçümün madde bazlı 0/1 vektörünü taşır; eşli bootstrap karşılaştırmaları modeli yeniden çalıştırmadan bu vektörlerle yapılabilir (betikler/bootstrap_*.py). Soru metni içermezler; TurkishMMLU kontrollü erişimli olduğu için yalnızca sıra indeksleri ve özetler kullanılır.

Dosya	İçerik
`olcek_ince_sft2.json`	Ek tur sonrası LoRA ölçek taraması (0,00 / 0,30 / 0,40 / 0,50 / 0,60 / 0,80 / 1,00): `sohbet_vec` (TurkMorfBench v1 üretim, 329), `mmlu_vec` (temiz 652)
`olcek_ince_sft2_ince.json`	İnce tarama 0,70 / 0,75 / 0,85 / 0,90 / 0,95, aynı alanlar
`olcek_v2.json`	TurkMorfBench v2 üretim taraması (512) + kıyas, istemsiz: 0,00 / 0,40 / 0,75 / 0,80 / 0,85 / 1,00
`olcek_sistem_v2.json`, `_075`, `_040`	Sistem istemli üretim v2 — 0,80 / 0,75 / 0,40
`olcek_birlesik_075.json`	Yayınlanan birleşik ağırlığın ölçümü (ölçek 0,0 = LoRA yok): kıyas %71,01, v1 üretim %66,87
`morfbench_v2_erk32b-sft2_o040/o075/o080.json`	TurkMorfBench v2 zorunlu seçim, az-örnek sızıntısız; taban ve Erk vektörleri, 502 madde
`morfbench_zorunlu_erk32b-sft2_o080.json`, `morfbench_zorunlu_sft.json`	v1 zorunlu seçim (tarihçe; v1 altın cevapları hatalıdır, bkz. rapor §4.2)
`kimlik_genis.json`	30 soruluk kimlik sınavı, ağırlıkla (istemsiz), 0,70–1,00
`kimlik_sistem.json`	Aynı sınav, sistem istemiyle, 0,40 / 0,80 / 1,00
`kirlilik_CPT.json`	Devam-eğitimi külliyatı kirlilik denetimi: `kirli_13` (113 indeks), `kirli_8` (252)
`kirlilik_SFT.json`	Talimat külliyatı için aynı denetim: 0/900
`dogrulama_ozet.json`	GGUF doğrulaması: kimlik 6/6 ve NLL, BF16 / Q8_0 / Q4_K_M

Vektör sırası, ilgili betiğin veri yükleme sırasıyla aynıdır (TurkishMMLU: config All, split test, ilk 900 içinden temiz 652; TurkMorfBench: JSON sırası). İki dosyanın aynı eksendeki vektörleri eşli karşılaştırılabilir.